迈向稳健的 R2D2 射电干涉成像范式：重新审视深度神经网络训练与架构

R2D2 深度神经网络（DNN）系列近期被引入用于射电干涉的图像生成。它可以被理解为 CLEAN 的学习版本，其内循环被 DNN 替代。我们从级数收敛性、训练方法论以及 DNN 架构的角度重新审视 R2D2，提升了其在超出训练条件时的泛化能力、提供高数据保真度的能力以及认知不确定性方面的稳健性。首先，在仍专注于特定望远镜训练的同时，我们通过随机化傅里叶采样积分时间、引入多扫描多噪声配置以及改变成像设置（包括像素分辨率和可见度加权方案）来增强学习过程。其次，我们引入了一项收敛准则，即当数据残差与噪声相容时停止重建过程，而不是简单地使用所有可用的 DNN。这不仅通过降低计算成本提高了重建效率，还通过在训练下一个 DNN 之前剔除已达到最优数据保真度的数据/图像对来优化训练。第三，我们将 R2D2 早期的 U-Net DNN 替换为一种结合了 U-Net 和 WDSR 的新型架构（U-WDSR），该架构利用宽激活、密集跳跃连接、权重归一化和低秩卷积来改善特征重用和重建精度。与之前一样，R2D2 在固定 $512 \times 512$ 图像尺寸下针对甚大阵列的单色强度成像进行了训练。对广泛逆问题的模拟和真实数据的案例研究表明，新的 R2D2 模型在图像重建质量、数据保真度和认知不确定性方面始终优于其早期版本。